Verne V0.5 机器人策略：训练时预测视频，运行时仅输出动作

Verne V0.5 是一种「世界-动作模型」，训练时同时优化预测机器人下一步动作与摄像头下一帧画面。其视频 transformer 与动作 transformer 通过 masked attention 交换信息，运行时仅输出动作，不逐帧生成视频，以避免每步视频生成的推理开销。